PEMROSESAN DAN ANALISIS GERAKAN SINYAL MATA SACCADE MENGGUNAKAN ELECTROOCULOGRAPHY (EOG)
SKRIPSI
untuk memenuhi salah satu persyaratan mencapai derajat Sarjana S1
Disusun oleh:
Muhammad Rafi Prasetyo 16524057
Jurusan Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia
Yogyakarta
2020
i
LEMBAR PENGESAHAN
PEMROSESAN DAN ANALISIS GERAKAN SINYAL MATA SACCADE MENGGUNAKAN ELECTROOCULOGRAPHY (EOG)
TUGAS AKHIR
Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Teknik
pada Program Studi Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia
Disusun oleh:
Muhammad Rafi Prasetyo 16524057
Yogyakarta, tanggal-bulan-tahun Menyetujui,
Pembimbing 1 Pembimbing 2
Sisdarmanto Adinandra, S.T., M.Sc., Ph.D. Alvin Sahroni, S.T., M.Eng., Ph.D 025240101 095240402
ii
LEMBAR PENGESAHAN
SKRIPSI
PEMROSESAN DAN ANALISIS GERAKAN SINYAL MATA SACCADE MENGGUNAKAN ELECTROOCULOGRAPHY (EOG)
Dipersiapkan dan disusun oleh:
Muhammad Rafi Prasetyo 16524057
Telah dipertahankan di depan dewan penguji Pada tanggal: 11 Desember 2020
Susunan dewan penguji
Ketua Penguji : Sisdarmanto Adinandra, S.T., M.Sc., Ph.D., _____________
Anggota Penguji 1: Yusuf Aziz Amrulloh, S.T., M.Eng., Ph.D., ______________
Anggota Penguji 2: Ida Nurcahyani, S.T., M.Eng., _________________
Skripsi ini telah diterima sebagai salah satu persyaratan untuk memperoleh gelar Sarjana
Tanggal: 11 Desember 2020 Ketua Program Studi Teknik Elektro
Yusuf Aziz Amrulloh, S.T., M.Eng., Ph.D.
045240101
iv
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya.
Tak lupa sholawat serta salam diberikan kepada junjungan Nabi besar Muhammad SAW, berkat beliau yang telah membawa kita dari Zaman kebodohan menuju Zaman penuh ilmu pengetahuan.
Sehingga penulis dapat menyelesaikan skripsi ini dengan judul: Pengolahan Sinyal Saccade Pada EOG Untuk Menggerakan Kursi Roda. Skripsi ini dibuat untuk memenuhi salahsatu persyaratan menyelesaikan pendidikan serta mendapatkan gelar Sarjana Teknik (ST) pada Program Studi Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia. Keberhasilan Penulis dalam menyelesaikan Penelitian ini tentu berkat adanya dukungan dari berbagai pihak, oleh karena itu Penulis mengucapkan terimakasih yang sebesar-besarnya kepada:
1. Yusuf Aziz Amrullah, S.T., M.Sc., Ph.D., selaku Ketua Jurusan Program Studi Teknik Elektro Universitas Islam Indonesia.
2. Sisdarmanto Adinandra, S.T., M.Sc., Ph.D., selaku Dosen Pembimbing 1 yang telah meluangkan banyak waktu, tenaga dan fikiran untuk membimbing, mendidik, dan mengarahkan sehingga penulis dapat menyelesaikan skripsi ini.
3. Alvin Sahroni, S.T., M.Eng., Ph.D., selaku Dosen Pembimbing 2 yang telah meluangkan waktu, memberikan banyak masukan serta memberikan ilmu-ilmunya sehingga penulis dapat menyelesaikan skripsi ini.
4. Segenap Staff dan Dosen Universitas Islam Indonesia khususnya Program Studi Teknik Elektro yang telah membantu dalam proses pendidikan serta membekali ilmu pengetahuan selama penulis menempuh pendidikan di Program Studi Teknik Elektro Universitas Islam Indonesia.
5. Bambang Irawan dan Srimurhartati, selaku Orang Tua Penulis, serta Mas dan Mbak saya yang telah mendidik, membesarkan, memberikan dukungan moril ataupun materil dan mendoakan dengan ikhlas dan tulus.
6. Segenap Staff dan Dosen Universitas Islam Indonesia khususnya Program Studi Teknik Elektro yang telah membantu dalam proses pendidikan serta membekali ilmu pengetahuan selama penulis menempuh pendidikan di Program Studi Teknik Elektro Universitas Islam Indonesia.
7. Kepada rekan-rekan satu bimbingan saya Al Rafli Setiawan, Hilmy S Allam, Hamzah H, Ahmad Insyaul, Aliyandi, Ilham Rais, Anas Iqbal, Panatas Aji, Thomas, dan Barry yang telah membantu dalam penulisan skripsi ini.
8. Grup Pohon Mangga yang telah memberikan semangat dan dukungan dalam menjalankan skripsi.
v 9. Keluarga besar Teknik Elektro Universitas Islam Indonesia, khususnya angkatan 2016
atas doa dan dukungannya selama ini.
10. Kepada orang-orang yang bersedia untuk menjadi subyek penelitian sehingga penulis mampu untuk menyelesaikan Skripsi ini.
11. Serta pihak-pihak yang tidak mungkin penulis sebutkan satu-persatu yang turut mendukung ataupun membantu baik dalam masa pendidikan di Universitas Islam Indonesia ataupun membantu penyusunan skripsi ini baik dengan cara langsung ataupun tidak langsung.
Besar harapan penulis, semoga Skripsi ini dapat bermanfaat yang baik bagi penulis maupun pembaca pada umumnya baik di dunia maupun di akhirat nanti.
vi
ARTI LAMBANG DAN SINGKATAN
𝐴: Nilai min data 𝑋𝑎𝑠𝑙𝑖 𝐵: Nilai max data 𝑋𝑎𝑠𝑙𝑖
𝑑:
Durasi𝐷𝑔: Deteksi Gerakan 𝑙𝑜𝑐𝑝𝑒𝑎𝑘: Jumlah Peak 𝑙𝑜𝑐𝑣𝑎𝑙𝑙𝑒𝑦: Jumlah Valley
𝑅𝑎: Nilai max yang diinginkan 𝑅𝑏: Nilai min yang diinginkan 𝑡𝑝𝑒𝑎𝑘: Waktu munculnya Peak 𝑡𝑣𝑎𝑙𝑙𝑒𝑦: Waktu munculnya Peak 𝑋𝑎𝑠𝑙𝑖: Data Asli
𝑋𝑛𝑜𝑟𝑚: Data yang Telah Dinormalisasi ADC: Analog to Digital converter EEG: Electroencephalography EOG: Electrooculography EMG: Electromyography FPR: False Positive Response HMI: Human Machine Interface ITR: Information Transfer Rate RT: Respon Time
vii
ABSTRAK
Orang yang mengalami kelumpuhan total tidak mampu melakukan mobilitas dalam beraktivitas secara mandiri. Untuk itu, penelitian ini menjadi rancangan untuk mempermudah mobilitas penyandang kelumpuhan total dengan menggunakan sinyal EOG. Pada penelitian ini, gerakan mata atas, bawah, kanan, dan kiri secara cepat yang berfokus pada suatu target akan diberikan tambahan fitur baru seperti durasi. Hal ini perlu dilakukan untuk mencegah terjadinya kesalahan sistem dalam menjalankan perintah ketika penyandang lumpuh total melirik suatu objek.
Penelitian ini dilakukan untuk mengklasifikasian saccade untuk gerakan atas, bawah, kanan, dan kiri pada EOG, serta mengetahui nilai akurasi dan error pada sistem yang dibuat. Dengan dilakukan pengambilan data EOG untuk gerakan voluntary dan involuntary dengan subjek pada posisi duduk tegap dan melihat objek yang telah ditentukan. Kemudian dilakukan ekstraksi fitur yaitu durasi dan deteksi gerakan saccade dengan memanfaatkan peak dan valley pada sinyal EOG.
Dari penelitian ini, untuk dapat mengklasifikasikan gerakan saccade (atas, bawah, kanan, dan kiri) dibuat sistem yang menggunakan durasi antar peak dan valley sebagai fitur. Hasil pengujian akurasi sistem klasifikasi pada perekaman voluntary memiliki hasil atas 80,00%, bawah 97,80%, kiri 97,80%, dan kanan 100,00%. Untuk pengujian akurasi pada perekaman involuntary memiliki hasil atas 67,70%, bawah 100,00%, kiri 100,00%, dan kanan 100,00%. Nilai akurasi terkecil pada voluntary dan involuntary sama-sama terjadi pada gerakan atas ini dikarenakan kemampuan manusia untuk melihat keatas berbeda-beda. Gerakan atas memiliki akurasi paling rendah dikarenakan kemampuan manusia untuk melihat keatas berbeda-beda dan penempatan elektroda yang tidak dapat sama pada setiap subjek dikarenakan struktur anatomi tulang kepala disekitar mata berbeda-beda. Akurasi bervariasi bisa disebabkan karena banyak hal seperti biopotensial lain, human error, dan fisiologi mata pada setiap subjek berbeda. Dari hasil ini, gerakan saccade pada EOG dapat digunakan sebagai kontrol gerakan kursi roda.
Keywords: Electrooculography (EOG); saccades; overlapping; akurasi; disabilitas
viii
DAFTAR ISI
LEMBAR PENGESAHAN ... i
LEMBAR PENGESAHAN ... ii
PERNYATAAN ... iii
KATA PENGANTAR ... iv
ARTI LAMBANG DAN SINGKATAN ... vi
ABSTRAK ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xii
PENDAHULUAN ... 1
Latar Belakang ... 1
Rumusan Masalah... 2
Batasan Masalah ... 2
Tujuan Penelitian ... 2
Manfaat Penelitian ... 3
TINJAUAN PUSTAKA ... 4
Studi Literatur ... 4
Tinjauan Teori ... 5
2.2.1 Bola Mata ... 5
2.2.2 Electrooculography (EOG) ... 5
2.2.3 Saccade ... 6
2.2.4 MyoWare dan Arduino UNO ... 7
METODOLOGI... 8
Tahapan Penelitian ... 8
Subjek Penelitian ... 8
Desain Pengambilan Data ... 9
Alat Rekam Data ... 11
Pra–proses dan Ekstraksi Fitur ... 11
Indikator Evaluasi ... 16
HASIL DAN PEMBAHASAN ... 17
Karakteristik Sinyal Saccade ... 17
Voluntary dan Involuntary Testing ... 18
Hasil Pengujian Gerakan Voluntary ... 24
ix
Hasil Pengujian Gerakan Involuntary ... 24
Pembahasan ... 25
KESIMPULAN DAN SARAN ... 27
Kesimpulan ... 27
Saran ... 27
DAFTAR PUSTAKA ... 28
x
DAFTAR GAMBAR
Gambar 2.1 Dipol pada mata [9]. ... 6
Gambar 2.2 Saccade [5]. ... 6
Gambar 2.3 MyoWare [11]. ... 7
Gambar 2.4 Arduino Uno [12]. ... 7
Gambar 3.1 Blok diagram penelitian. ... 8
Gambar 3.2 Desain pengambilan data. ... 10
Gambar 3.3 Pengambilan data gerakan voluntary vertikal dan horizontal. ... 10
Gambar 3.4 Pengambilan data gerakan involuntary. ... 10
Gambar 3.5 Flowchart alat rekam data. ... 11
Gambar 3.6 Respon lowpass filter 30 Hz. ... 12
Gambar 3.7 Pra-proses. ... 12
Gambar 3.8 Contoh metode overlap segmentasi. ... 13
Gambar 3.9 Durasi. ... 14
Gambar 3.10 Flowchart deteksi saccade. ... 15
Gambar 4.1 Bentuk sinyal saccade yang baik untuk merepresentasikan gerakan arah atas atau kanan. ... 17
Gambar 4.2 Bentuk sinyal saccade yang baik untuk merepresentasikan gerakan arah bawah dan kiri. ... 18
Gambar 4.3 Contoh sinyal EOG gerakan horizontal. ... 19
Gambar 4.4 Contoh segmen 1-3 gerakan horizontal. ... 19
Gambar 4.5 Contoh segmen 4 dan 5 gerakan horizontal. ... 20
Gambar 4.6 Contoh sinyal EOG gerakan vertikal. ... 20
Gambar 4.7 Contoh segmen 1-3 gerakan vertikal. ... 21
Gambar 4.8 Contoh segmen 4 dan 5 gerakan vertikal. ... 21
Gambar 4.9 Contoh sinyal EOG gerakan involuntary. ... 22
Gambar 4.10 Contoh segmen 1-3 gerakan involuntary. ... 22
xi Gambar 4.11 Contoh segmen 4-6 gerakan involuntary. ... 23 Gambar 4.12 Contoh segmen 7-9 gerakan involuntary. ... 23
xii
DAFTAR TABEL
Tabel 3.1 Parameter penelitian. ... 11
Tabel 4.1 Akurasi gerakan voluntary vertikal dan horizontal ... 24
Tabel 4.2 Gerakan masing-masing subjek. ... 25
Tabel 4.3 Akurasi gerakan involuntary. ... 25
1
PENDAHULUAN
Latar Belakang
Permasalahan yang terjadi pada orang berkebutuhan khusus terutama bagi penderita kelumpuhan total adalah kesulitan dalam melakukan berbagai macam kegiatan dan bergantung pada orang lain. Hal ini terjadi karena orang berkebutuhan khusus terutama penderita kelumpuhan total menggunakan beberapa bagian tubuh yang masih bekerja, seperti pada bagian otak, indera penglihatan, pendengaran, dan penciuman. Sehingga dibutuhkan teknologi yang membantu mereka untuk memiliki mobilitas dalam beraktivitas secara mandiri tanpa mengandalkan bantuan dari orang lain dengan memanfaatkan bagian tubuh yang masih bisa bekerja.
Kelumpuhan adalah kehilangan kemampuan menggerakan salah satu otot tubuh atau lebih untuk sementara waktu bahkan permanen. Kelumpuhan bisa terjadi pada seluruh bagian tubuh atau pada bagian tertentu, dimana otot bisa bergerak namun terbatas atau lemah. Cedera juga dapat menjadi salah satu alasan seorang menjadi lumpuh, misal karena kecelakaan atau tindakan operasi.
Kelumpuhan dapat terjadi juga karena spinal cord injury atau disebut juga kerusakan pada bagian sumsum tulang belakang yang merupakan bagian sistem saraf pusat dari otak. Kasus kecelakaan di dunia akibat cedera spinal cord diperkirakan 10 - 80 juta setiap tahun kasus baru, atau di USA sekitar 12.000 dan 250.000-500.000 orang di seluruh dunia yang menjadi lumpuh setiap tahunnya [1].
Membantu orang yang mengalami kebutuhan khusus untuk melakukan kegiatan sehari hari merupakan tantangan karena kebutuhan mereka yang sangat bervariasi [2]. Untuk permasalahan kelumpuhan berbagai macam sistem interface telah banyak dikembangkan untuk membantu mereka yang mengalami cacat fisik agar mendapatkan kembali mobilitas. Sistem interface biasanya menggunakan satu sinyal biopotensial atau mengkombinasikan sinyal biopotensial yang akan digunakan sebagai input yang dieksekusi oleh aktuator [2].
Dari permasalahan yang ada maka dibutuhkan sistem yang bisa membantu orang yang mengalami kelumpuhan total untuk dapat memiliki mobilitas. Penelitian menjadi rancangan awal dalam membuat alat mobilitas dengan menggunakan EOG. Berbagai macam penelitian mengenai sinyal Electrooculography (EOG) terutama untuk membantu mobilitas orang berkebutuhan khusus terutama pada orang yang mengalami lumpuh total. Seperti penelitian yang dilakukan Choudhari dkk [3], membuat Human Machine Interface (HMI) yang efisien untuk membantu penderita kelumpuhan parah untuk mendapatkan mobilitas. Penelitian ini berfokus menggunakan satu jenis aktivitas mata yaitu kedipan untuk menggerakan kursi roda. Aktivitas kedipan yang
2 digunakan yaitu 1 kali kedipan, 2 kali kedipan, dan 3 kali kedipan yang asing-masing untuk maju, kiri, kanan.
Banyak penelitian telah dilakukan menggunakan sinyal EOG, tetapi penggunaan gerakan dan pemrosesan sinyal EOG dengan gerakan mata atas, bawah, kanan, dan kiri secara cepat yang berfokus pada target tertentu dengan tambahan fitur baru seperti durasi perlu dikembangkan.
Karena dengan menambahkan durasi mencegah terjadinya kesalahan sistem dalam menjalankan perintah ketika penyandang lumpuh total melirik suatu objek. Penelitian ini dilakukan untuk mengkonfirmasi studi sebelumnya untuk mendeteksi saccade pada EOG dapat menggunakan threshold dan memodifikasi algoritme yang sudah ada untuk mendeteksi saccade pada EOG sebagai navigasi arah kursi roda.
Rumusan Masalah
Permasalahan dari penelitian adalah sebagai berikut:
1. Bagaimana cara untuk mengklasifikasikan saccade untuk gerakan atas, bawah, kanan, dan kiri pada sinyal EOG?
2. Bagaimana nilai akurasi dan error pada sistem klasifikasi saccade pada sinyal EOG untuk gerakan atas, bawah, kanan, dan kiri dengan 2 channel?
Batasan Masalah
Batasan masalah dari penelitian sebagai berikut:
1. Mendeteksi hanya 4 gerakan yaitu atas, bawah, kanan, dan kiri.
2. Subjek orang dengan kondisi mata normal atau tidak memiliki cacat yang mempengaruhi gerakan mata.
3. Subjek memiliki rentang umur 18-22 tahun
4. Software yang digunakan untuk membuat sistem klasifikasi menggunakan MATLAB.
Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut:
1. Mengetahui fitur untuk mengklasifikasian saccade pada sinyal EOG.
2. Membuat sistem klasifikasi saccade pada sinyal EOG.
3 3. Mengetahui nilai akurasi gerakan saccade pada sinyal EOG untuk gerakan atas,
bawah, kanan, dan kiri dengan 2 channel.
Manfaat Penelitian
Manfaat dari penelitian ini adalah rancangan awal dalam membuat alat mobilitas yang dapat digerakan, dengan gerakan bola mata sehingga membantu orang-orang berkebutuhan khusus terutama orang penderita lumpuh total pada seluruh bagian badan agar dapat memiliki mobilitas tanpa bantuan orang lain.
4
TINJAUAN PUSTAKA
Studi Literatur
Penelitian tentang EOG telah banyak dilakukan sebelumnya, seperti yang dilakukan oleh Li dkk [4]. Mereka melakukan pengembangan EOG sebagai saklar yang digunakan untuk mengontrol start/stop pada kursi roda. Peneliti menggunakan kedipan untuk perintah on/off. Untuk mendeteksi fitur ekstraksi digunakan pada setiap kedipan, segmen data ini di filter dengan band pass (0,1-30 Hz) untuk menghilangkan frekuensi tinggi. Menggunakan algoritme deteksi waveform dengan menggunakan threshold untuk mendeteksi peak dan valley, yang digunakan membedakan kedipan yang berupa perintah dan yang tidak disengaja. Kedipan yang sesuai akan terdeteksi lalu sistem akan mengeluarkan perintah on/off. Dengan menggunakan metode ini, yang dilakukan pada 10 subjek yang sehat, dan mendapatkan akurasi 99,5 %, Respon Time (RT) 1,3 detik, dan False Positive Response (FPR) rata rata 0,10 per menit. Sehingga untuk menentukan durasi antar peak dan valley bisa digunakan threshold sebagai metode untuk menghitung durasi dengan gerakan yang ditentukan.
Pada tahun 2019, Choudhari dkk [3], membuat Human machine Interface (HMI) menggunakan EOG yang efisien untuk membantu penderita kelumpuhan total untuk bisa berpindah-pindah tempat secara mandiri. Menggunakan satu jenis aktivitas mata yaitu kedipan untuk menggerakan kursi roda. Aktivitas kedipan yang digunakan yaitu 1 kali kedipan, 2 kali kedipan, dan 3 kali kedipan yang masing-masing untuk maju, kiri, kanan. Dengan menggunakan multi-threshold dapat mendeteksi kedipan voluntary dan involuntary. Threshold digunakan untuk menentukan amplitudo, durasi, dan kecepatan dengan menggunakan deteksi peak untuk memeriksa peak yang muncul dalam setiap segmen yang diekstraksi setiap satu detik. Dengan menggunakan metode ini peneliti mendapat akurasi 93,8 % dan Information Transfer Rate (ITR) 62,64 bit/menit.
Pada tahun 2010, Merino dkk meneliti pengembangan algoritme pemrosesan sinyal untuk mendeteksi gerakan mata, yang dilakukan pada 3 subjek. Algoritme ini bekerja dengan cara mendeteksi perubahan pada amplitudo ketika bola mata melakukan gerakan dengan menggunakan threshold. Dengan menggunakan bandpass filter sebesar 0,1-30 Hz dan mendapat nilai akurasi sebesar 94%. Metode gerakan mata yang dilakukan yaitu subjek akan melihat kepada 5 target (tengah, atas, bawah, kanan, dan kiri) yang telah ditentukan [5]. Dengan penelitian ini penggunaan threshold sangat diperlukan dalam mendeteksi gerakan mata dan gerakan subjek untuk melihat 5 target untuk dapat mengetahui gerakan bola mata pada tiap subjek.
5 Pada tahun 2014 Rajesh dkk melakukan penelitian untuk menggerakan kursi roda menggunakan sinyal EOG. Setiap gerakan mata memiliki pola unik masing-masing [6]. Berbagai macam algoritme untuk mengklasifikasikan sinyal EOG tersebut. Sebagian besar menggunakan algoritme membandingkan amplitudo EOG, jika amplitudo melewati nilai ambang batas atau threshold, maka gerakan mata terdeteksi. Kekurangan algoritme ini sangat sensitif terhadap gerakan kepala dan peletakan elektroda. Dapat disimpulkan untuk mengklasifikasikan gerakan mata yaitu berdasarkan amplitude.
Pada penelitian [3], [4], [5], dan [6] telah dilakukan penelitian untuk mendeteksi berbagai macam gerakan mata dengan menggunakan threshold sebagai dasar algoritme pendeteksian. Dari penelitian diatas perlu dikembangkan algoritme dengan menggunakan durasi pada gerakan mata yang berfokus pada target. Penggunaan metode overlap segmentasi agar tidak terjadi kesalahan deteksi. Berdasarkan empat penelitian diatas tersebut dapat menjadi dasar dalam melakukan penelitian ini.
Tinjauan Teori
2.2.1 Bola Mata
Bola Mata merupakan salah satu panca indera yang digunakan untuk melihat. Mata terdiri dari 3 lapisan jaringan, yang terdiri dari sklera yang bagian terdepannya adalah kornea, lapisan uvea, lapisan retina. Sklera merupakan bagian terluar dari mata memberikan bentuk pada mata, kornea yang ada pada sklera memiliki fungsi untuk memudahkan sinar masuk dalam bola mata.
Uvea adalah lapisan pembuluh darah didalam bola mata, fungsi dari uvea adalah mengatur banyaknya cahaya yang masuk serta mengatur fokus lensa. Retina merupakan bagian mata yang dimana terdapat reseptor yang dapat menerima rangsangan cahaya [7].
2.2.2 Electrooculography (EOG)
Pembacaan sinyal EOG berdasarkan perbedaan potensial listrik antara kornea dan retina.
Mata dapat dimodelkan sebagai kutub positif dalam ini adalah kornea dan kutub negatif diwakilkan oleh retina. Ketika mata melakukan gerakan dari posisi tengah menuju pinggir, retina mendekati elektroda sedangkan kornea mendekati yang berlawanan. Perubahan arah ini yang menyebabkan perbedaan potensial listrik yang kemudian diukur oleh EOG [8].
Data pergerakan mata dapat direkam menggunakan EOG dengan menggunakan elektroda yang dipasang di kulit dekat mata dengan posisi berlawanan dan elektroda tambahan sebagai
6 referensi pada dahi. Dimana terdapat 3 deteksi Gerakan utama yaitu saccade, fiksasi, dan kedipan[8].
Gambar 2.1 Dipol pada mata [9].
2.2.3 Saccade
Saccade adalah gerakan mata secara cepat untuk melihat objek secara spesifik. Gerakan saccade dapat dilakukan secara sadar dan dapat dilakukan dengan kondisi mata tertutup [10].
Saccade dapat digunakan untuk mengklasifikasikan arah gerakan bola mata dalam arah horizontal dan vertikal seperti Gambar 2.2. Saat melihat suatu objek keadaan mata tidaklah diam, tetapi tetap bergerak secara konstan untuk membuat sebuah “gambaran” dari objek tersebut.
Gambar 2.2 Saccade [5].
7 2.2.4 MyoWare dan Arduino UNO
Gambar 2.3 MyoWare [11].
MyoWare memiliki 3 bagian utama yaitu MyoWare sensor, MyoWare cable shield, dan sensor cable. MyoWare sensor memiliki fungsi sebagai sensor untuk mengukur dan merekam biopotensial pada tubuh, MyoWare sensor dapat disuplai dengan tegangan +3,1V sampai +5V, fungsi port RAW sebagai output untuk merekam data RAW dan port positif, negatif, dan ground digunakan sebagai referensi. MyoWare cable shield digunakan untuk sambungan dari MyoWare sensor dengan sensor cable [11].
Gambar 2.4 Arduino Uno [12].
Arduino UNO adalah papan mikrokontroler yang menggunakan ATmega328P sebagai microchip. Arduino UNO memiliki 14 digital input/output pin yaitu 6 digunakan sebagai PWM outputs, 6 analog inputs, 16 MHz ceramic resonator, koneksi USB, power jack, tombol reset.
Arduino UNO dapat diaktifkan dengan sambungan USB atau dengan catu daya eksternal (adaptor atau baterai) yang dapat dihubungkan dengan power jack [12].
8
METODOLOGI
Tahapan Penelitian
Blok tahapan penelitian dapat dilihat pada Gambar 3.1. Sistem terdiri dari 5 bagian yaitu:
1. Pada bagian hardware EOG yaitu menentukan alat dan merancang alat yang akan digunakan untuk akuisisi data. Menentukan letak pemasangan elektroda pada bagian mata.
2. Kemudian pada bagian kedua sinyal saccade pada subjek direkam untuk disimpan, kemudian dilakukan pengolahan. Perekaman dilakukan dengan dua gerakan yaitu voluntary dan involuntary. Voluntary adalah gerakan yang dilakukan sesuai dengan desain pengambilan data sub-bab 3.3, sedangkan Involuntary adalah gerakan yang dilakukan mandiri oleh subjek menggunakan 2 channel pada EOG.
3. Selanjutnya, pada bagian ketiga data yang telah direkam dilakukan tahap pra-proses dan pada tahap ini data akan melalui beberapa proses yaitu: filtering, mengkonversi data RAW yang masih dalam bentuk ADC dan sampel menjadi tegangan dan domain waktu, terakhir data akan dinormalisasi.
4. Pada bagian keempat yaitu melakukan ekstraksi fitur dari data yang telah melalui tahap pra-proses. Ekstraksi fitur yang digunakan adalah perhitungan durasi, dan deteksi gerakan saccade.
5. Pada bagian akhir yaitu menampilkan hasil dari klasifikasi data yang berisi durasi dan gerakan yang dilakukan subjek.
Gambar 3.1 Blok tahapan penelitian.
Subjek Penelitian
Jumlah total subjek penelitian berjumlah 15 subjek, karena beberapa studi sebelumnya seperti Choudhari dkk [3] dan Li dkk [4], subjek yang dipakai tidak terlalu banyak dan penelitian ini hanya untuk melihat konsistensi dengan cara setiap subjek diambil datanya berulang kali.
Keseluruhan subjek berjenis kelamin laki-laki dengan rentang umur 18-23 tahun. Jumlah subjek untuk gerakan voluntary berjumlah 15 subjek dan jumlah subjek untuk gerakan involuntary
9 berjumlah 3 subjek yang diambil secara acak dari jumlah subjek penelitian. Alasan subjek involuntary berjumlah 3 orang untuk melihat penelitian tidak direkayasa dan mengkonfirmasi pendeteksian bisa digunakan dengan 2 channel. Subjek dalam kondisi normal, tidak memiliki penyakit mata yang mempengaruhi gerakan bola mata. Alasan pemilihan rentang umur demikian karena penelitian difokuskan untuk mahasiswa. Sebelum pengambilan data subjek harus tidur cukup minimal 7 jam dan tidak menatap layar (handphone, laptop, komputer, dll) lebih dari 12 jam agar mata tidak mengalami kelelahan.
Desain Pengambilan Data
Penelitian dilakukan selama 16 menit 31 detik setiap subjek. Pada 10 menit pertama, peneliti menjelaskan prosedur penelitian kepada subjek, setelah itu dilakukan pemasangan alat. Posisi subjek ketika pengambilan data adalah dalam posisi duduk tegap dan pandangan fokus kepada target yang telah ditentukan. Perekaman dilakukan sebanyak 9 kali pengambilan data dengan total waktu 139 detik. Dalam pengambilan 9 kali data dibagi menjadi 3 gerakan, yaitu gerakan voluntary horizontal sebanyak 3 kali dan gerakan voluntary vertikal sebanyak 3 kali. Beberapa subjek dilakukan pengambilan data gerakan involuntary menggunakan 2 channel dilakukan sebanyak 3 kali. Ketika pengambilan data involuntary, gerakan mata subjek direkam dalam bentuk video dan subjek mencatat gerakan yang telah dilakukan. Video dan catatan tersebut digunakan untuk memvalidasi gerakan yang telah dilakukan subjek ketika pengambilan data. Subjek ketika pengambilan data dilarang untuk berbicara, tertidur, melakukan gerakan pada bagian kepala.
Prosedur penelitian dapat dilihat pada Gambar 3.2.
Penjelasan gerakan yang dilakukan subjek saat pengambilan data gerakan voluntary horizontal dan vertikal pada Gambar 3.3 yaitu:
1. Subjek fokus melihat target yang telah dipasang di depan subjek selama 5 detik.
2. Saat terdengar bunyi “bing” subjek melirik kearah kanan atau atas tergantung pengambilan data horizontal atau vertikal, subjek akan tetap melirik hingga terdengar kembali bunyi “bing”.
3. Gerakan berikutnya, subjek fokus kembali ke target.
4. Saat terdengar bunyi “bing” berikutnya, subjek melirik ke arah kiri atau bawah tergantung pengambilan data horizontal atau vertikal, subjek akan tetap melirik hingga terdengar kembali bunyi “bing”.
5. Subjek akan kembali fokus ke target dan menunggu selama 2 detik hingga pengambilan data selesai.
6. Durasi antar suara “bing” yaitu 2 detik.
10 Penjelasan gerakan yang dilakukan oleh subjek saat pengambilan data gerakan involuntary pada Gambar 3.4 yaitu:
1. Subjek fokus melihat target yang telah dipasang di depan subjek selama 5 detik.
2. Saat terdengar bunyi “bing” subjek melirik secara mandiri sesuai keinginan subjek.
3. Tiap pengambilan data gerakan harus terdiri dari atas, bawah, kanan, dan kiri.
Durasi antar suara “bing” yaitu 2 detik.
Gambar 3.2 Desain pengambilan data.
Gambar 3.3 Pengambilan data gerakan voluntary vertikal dan horizontal.
Gambar 3.4 Pengambilan data gerakan involuntary.
11 Alat Rekam Data
Pemodelan alat rekam data dapat dilihat pada Gambar 3.5. Perekaman data EOG menggunakan perangkat alat yaitu Arduino UNO dan MyoWare. MyoWare digunakan sebagai sensor untuk menangkap sinyal pada mata (EOG), kemudian Arduino UNO digunakan sebagai alat akuisisi data yang kemudian akan disimpan di komputer. Terdapat 3 kabel pada sensor MyoWere yaitu positif (merah), negative (hijau), dan referensi (kuning) yang diletakan sesuai dengan Gambar 3.5. Frekuensi sampling yang digunakan pada pengambilan data gerakan voluntary vertikal dan horizontal sebesar 250 Hz, sedangkan data gerakan involuntary menggunakan frekuensi sampling sebesar 125 Hz. Perbedaan frekuensi sampling ini terjadi karena jumlah channel yang digunakan pada pengambilan data berbeda, voluntary menggunakan 1 channel dan involuntary menggunakan 2 channel.
Gambar 3.5 Flowchart alat rekam data.
Pra–proses dan Ekstraksi Fitur
Tabel 3.1 menunjukan parameter yang digunakan peneliti pada tahap pra-proses dan ekstraksi fitur, sebagai dasar dalam melakukan penelitian.
Tabel 3.1 Parameter penelitian.
Parameter Nilai
Threshold 0,5
Durasi 1,7-2,3 detik
Low Pass Filter 30 Hz
Segmentasi 4 detik/segmen
Overlap 50% dari nilai segmen
12 Hasil perekaman data yaitu berupa data RAW kemudian dilakukan pra-proses menggunakan software MATLAB. karena menurut Merino dkk informasi sinyal EOG ada pada frekuensi rendah 0,1-30 Hz [5] dan sinyal dari perekaman masih memiliki noise, maka sinyal di-filter menggunakan Low Pass Filter sebesar 30 Hz, dengan memanfaatkan tools pada MATLAB yaitu fdatool. Hasil respon filter dapat dilihat pada Gambar 3.6. Data RAW hasil perekaman memiliki sumbu Y dan sumbu X yaitu data ADC dan jumlah data (sampel) maka perlu dilakukan konversi menjadi tegangan dan domain waktu agar mempermudah dalam mendeteksi durasi dari tiap saccade sudah sesuai dengan yang diinginkan yaitu 2 detik. Terakhir data dinormalisasi agar sinyal memiliki range pada sumbu Y 1 hingga -1, dengan menggunakan persamaan 3.1. Hasil data yang telah dinormalisasi diwakilkan dengan Xnorm.
Gambar 3.6 Respon lowpass filter 30 Hz.
Gambar 3.7 Pra-proses.
13 𝑋𝑛𝑜𝑟𝑚 = (𝑅𝑎− 𝑅𝑏) × (𝑋𝑎𝑠𝑙𝑖 − 𝐴)
(𝐵 − 𝐴) + 𝑅𝑏 (3.1)
𝑅𝑎 = Nilai max yang diinginkan 𝑅𝑏 = Nilai min yang diinginkan 𝐴 = Nilai min data 𝑋𝑎𝑠𝑙𝑖
𝐵 = Nilai max data 𝑋𝑎𝑠𝑙𝑖 𝑋𝑎𝑠𝑙𝑖 = Data asli
Contoh sinyal yang telah melalui tahap pra-proses seperti pada Gambar 3.7. Selanjutnya akan melalui proses deteksi saccade dengan cara melakukan segmentasi dengan metode overlap.
Jumlah sampel sinyal tiap segmen dapat dikonfigurasi sesuai kebutuhan. Metode overlap yaitu menggunakan sebagian sampel pada segmen sebelumnya untuk digunakan pada segmen selanjutnya. Nilai overlap yang digunakan pada penelitian ini 50% dari jumlah sampel pada segmen. Setiap segmen kemudian dilakukan deteksi peak dan valley untuk dijadikan parameter ekstraksi fitur. Contoh metode overlap segmentasi seperti pada Gambar 3.8.
Gambar 3.8 Contoh metode overlap segmentasi.
Untuk mendeteksi peak dan valley digunakan program yang ada pada software MATLAB, dengan menentukan nilai threshold agar peak dan valley yang diinginkan dapat terdeteksi. Nilai peak dan valley akan digunakan untuk perhitungan durasi dan deteksi gerakan saccade. Ekstraksi fitur yang digunakan pada penelitian ini adalah perhitungan durasi dan deteksi gerakan saccade pada tiap segmentasi. Perhitungan durasi pada penelitian merupakan perhitungan untuk mengetahui lama waktu gerakan saccade, seperti yang diilustrasikan Gambar 3.9. Perhitungan durasi pada penelitian ini disimbolkan dengan huruf
𝑑
yang dapat dihitung menggunakan14 persamaan 3.2. Dimana
𝑡
𝑣𝑎𝑙𝑙𝑒𝑦 dan𝑡
𝑝𝑒𝑎𝑘 berturut-turut adalah waktu mencapai peak dan waktu mencapai valley.𝑑 = |𝑡
𝑣𝑎𝑙𝑙𝑒𝑦− 𝑡
𝑝𝑒𝑎𝑘|
(3.2)Gambar 3.9 Durasi.
Deteksi gerakan saccade berfungsi untuk mengetahui gerakan yang muncul di setiap segmentasi. Deteksi gerakan saccade menggunakan 3 parameter yaitu locpeak/locvalley adalah jumlah peak/valley, 𝑡𝑝𝑒𝑎𝑘/𝑡𝑣𝑎𝑙𝑙𝑒𝑦 adalah waktu munculnya peak/valley dan durasi, dengan mengikuti nilai pada 3.3. Hasil dari deteksi gerakan saccade disimbolkan dengan simbol 𝐷𝑔. Secara spesifik, ketika 𝐷𝑔 = 1 mengidentifikasi gerakan kanan atau atas terdeteksi, jika 𝐷𝑔 = 2 mengidentifikasi gerakan kiri atau bawah terdeteksi, dan ketika 𝐷𝑔 = 0 berarti tidak ada gerakan yang terdeteksi.
𝐷𝑔 = {
0, 𝑙𝑜𝑐𝑝𝑒𝑎𝑘= 0 𝑜𝑟 𝑙𝑜𝑐𝑣𝑎𝑙𝑙𝑒𝑦 = 0 0, 𝑙𝑜𝑐𝑝𝑒𝑎𝑘≥ 2 𝑜𝑟 𝑙𝑜𝑐𝑣𝑎𝑙𝑙𝑒𝑦 ≥ 2 1, 𝑡𝑝𝑒𝑎𝑘< 𝑡𝑣𝑎𝑙𝑙𝑒𝑦 𝑎𝑛𝑑 1,6𝑠 < 𝑑 < 2,3𝑠 2, 𝑡𝑝𝑒𝑎𝑘> 𝑡𝑣𝑎𝑙𝑙𝑒𝑦 𝑎𝑛𝑑 1,6𝑠 < 𝑑 < 2,3𝑠 0, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
(3.3)
Pada Gambar 3.10 diilustrasikan dengan flowchart untuk mempermudah dalam melihat alur dalam proses pendeteksian setelah dilakukan tahap pra-proses, mulai dari overlap segmentasi hingga menampilkan hasil dari deteksi gerakan saccade pada tiap segmen.
15 Gambar 3.10 Flowchart deteksi saccade.
16 Indikator Evaluasi
Indikator evaluasi yang digunakan yaitu dengan pengujian tingkat akurasi dengan menggunakan persamaan 3.4. Dalam penelitian ini akurasi didefinisikan keakuratan sistem deteksi dibandingkan dengan gerakan sebenarnya. Gerakan terdeteksi adalah total data terdeteksi benar pada setiap gerakan dan total gerakan adalah jumlah keseluruhan gerakan pada setiap gerakan.
Akurasi dapat dikatakan baik jika hasil klasifikasi setiap segmen sesuai dengan gerakan sebenarnya, dengan durasi 1,7-2,3 detik. Pengujian ini dilakukan pada 2 gerakan yaitu voluntary dan involuntary. Voluntary adalah gerakan yang dilakukan sesuai dengan desain percobaan yang telah dijelaskan pada sub-bab 3.3, sedangkan gerakan involuntary adalah gerakan yang dilakukan mandiri oleh subjek menggunakan 2 channel. Hasil akurasi dari 2 gerakan ini kemudian dibandingkan untuk melihat perbedaan yang terjadi.
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑔𝑒𝑟𝑎𝑘𝑎𝑛 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝑡𝑜𝑡𝑎𝑙 𝑔𝑒𝑟𝑎𝑘𝑎𝑛 × 100% (3.4)
17
HASIL DAN PEMBAHASAN
Pada Bab 4 diuraikan hasil percobaan dan analisis hasil percobaan. Sub-bab 4.1 menampilkan dan menjelaskan karakteristik dan bentuk sinyal saccade yang diambil dari 15 subjek. Sub-bab 4.2 menjelaskan analisis perbandingan data voluntary dan involuntary baik untuk kondisi data yang baik dan buruk. Sub-bab 4.3 dan 4.4 menampilkan hasil dari akurasi setiap gerakan dari pengambilan data voluntary dan involuntary. Sub-bab 4.5 membahas semua hasil dari Bab 4
Karakteristik Sinyal Saccade
Pada Sub-bab 4.1 menjelaskan tentang bentuk saccade pada sinyal EOG yang menunjukan 4 gerakan yaitu atas, bawah, kanan, dan kiri serta karakteristik tiap sinyal. Bentuk saccade yang ditampilkan merupakan hasil dari perekaman data pada seluruh subjek.
Pada Gambar 4.1 menunjukan contoh bentuk sinyal gerakan atas atau kanan. Karakteristik dari gerakan atas atau kanan adalah sinyal memiliki perubahan amplitudo bernilai positif kemudian ketika mata kembali pada posisi tengah, sinyal memiliki perubahan amplitudo bernilai negatif.
Gambar 4.1 Bentuk sinyal saccade yang baik untuk merepresentasikan gerakan arah atas atau kanan.
Pada Gambar 4.2 menunjukan contoh bentuk sinyal gerakan bawah atau kiri. Karakteristik dari gerakan bawah atau kiri adalah sinyal memiliki perubahan amplitudo bernilai negatif kemudian ketika mata kembali pada posisi tengah, sinyal memiliki perubahan amplitudo bernilai positif.
18 Gambar 4.2 Bentuk sinyal saccade yang baik untuk merepresentasikan gerakan arah bawah dan
kiri.
Sinyal gerakan vertikal dan horizontal memiliki bentuk dan karakteristik yang sama. Bentuk dan karakteristik yang sama pada gerakan vertikal dan horizontal tidak mempengaruhi pendeteksian untuk membedakan gerakan vertikal dan horizontal dikarenakan gerakan vertikal dan horizontal direkam menggunakan channel yang berbeda.
Voluntary dan Involuntary Testing
Pada sub-bab 4.2 menjelaskan hasil percobaan untuk gerakan voluntary dan involuntary.
Gerakan voluntary adalah gerakan yang dilakukan sesuai dengan desain percobaan yang telah dijelaskan pada sub-bab 3.3, sedangkan gerakan involuntary adalah gerakan yang dilakukan mandiri oleh subjek menggunakan 2 channel. Sub-bab ini juga membandingkan antara sinyal true detection adalah sinyal saccade yang semua gerakan terdeteksi dan sinyal false detection adalah sinyal saccade yang terdapat kesalahan deteksi. Pada contoh sinyal gerakan yang tidak terdeteksi digantikan dengan kata salah.
Dilihat pada Gambar 4.3 dan 4.6 terdapat 2 jenis sinyal, pada sinyal yang pertama menunjukan sinyal ketika belum melalui tahap pra-proses dan sinyal kedua menunjukan sinyal telah melalui tahap pra-proses yaitu filter, konversi dari sampel menjadi detik, dan normalisasi.
Gambar 4.4 dan 4.5 menunjukan contoh sinyal gerakan voluntary horizontal dari tiap segmentasi, untuk Gambar 4.7 dan 4.8 menunjukan contoh sinyal gerakan voluntary vertikal dari tiap segmentasi.
19 Gambar 4.3 Contoh sinyal EOG gerakan horizontal.
Gambar 4.4 Contoh segmen 1-3 gerakan horizontal.
20 Gambar 4.5 Contoh segmen 4 dan 5 gerakan horizontal.
Gambar 4.3-4.5 menunjukan data voluntary horizontal. Terdapat 2 jenis sinyal, yaitu horizontal true detection dan horizontal false detection. Dapat dilihat di atas setiap segmen mampu mendeteksi semua gerakan kanan dan kiri pada horizontal true detection dengan durasi kurang lebih 2 detik, sedangkan horizontal false detection pada segmen 5 seharusnya merupakan gerakan kekiri tidak dapat terdeteksi, dikarenakan valley antara 1-1,5 detik pada horizontal false detection dibawah dari nilai threshold. Kesalahan deteksi pada horizontal false detection disebabkan karna kelemahan sistem yang tidak dapat membuat semua subjek memiliki baseline dari 0.
Gambar 4.6 Contoh sinyal EOG gerakan vertikal.
21 Gambar 4.7 Contoh segmen 1-3 gerakan vertikal.
Gambar 4.8 Contoh segmen 4 dan 5 gerakan vertikal.
Gambar 4.7-4.8 menunjukan data voluntary vertikal .Terdapat 2 jenis sinyal yaitu, vertikal true detection dan vertikal false detection. Dapat dilihat pada di atas setiap segmen mampu mendeteksi semua gerakan atas dan bawah pada vertikal true detection dengan durasi kurang lebih 2 detik, sedangkan pada vertikal false detection pada segmen 4 pada 1-1,5 detik seharusnya muncul valley bukan peak sehingga sistem mendeteksi sebagai gerakan atas, yang seharusnya bukan merupakan gerakan. Peak yang muncul pada segmen 4 kemungkinan disebabkan oleh subjek yang salah dalam melakukan gerakan.
Sinyal gerakan voluntary memiliki pola dan karakteristik yang mirip untuk gerakan voluntary horizontal dan vertikal, bentuk pola sinyal yang mirip tidak menjadi kendala dalam
22 pendeteksian gerakan saccade, dikarenakan data gerakan vertikal dan horizontal direkam menggunakan 1 channel. Untuk gerakan kanan atau atas selalu peak yang muncul terlebih dahulu dan untuk gerakan kiri atau bawah valley terlebih dahulu seperti Gambar 4.1 dan Gambar 4.2.
Gambar 4.9 Contoh sinyal EOG gerakan involuntary.
Gambar 4.10 Contoh segmen 1-3 gerakan involuntary.
23 Gambar 4.11 Contoh segmen 4-6 gerakan involuntary.
Gambar 4.12 Contoh segmentasi 7-9 gerakan involuntary.
Gambar 4.10-4.12 menunjukan data involuntary. Terdapat 4 jenis sinyal yaitu, vertikal true detection, horizontal true detection, vertikal false detection, dan horizontal false detection. Setiap segmen dapat menunjukan gerakan yang sesuai dengan bentuk sinyal dan durasi dari setiap gerakan (atas, bawah, kanan, dan kiri) sampai kembali ke fokus di tengah. Untuk hasil kesalahan deteksi sistem tidak mampu untuk mendeteksi, disebabkan antara gerakan vertikal dan horizontal
24 terlalu mempengaruhi satu dengan yang lain, sehingga bentuk sinyal vertikal dan horizontal tidak sesuai dengan pola, karakteristik, dan durasi pada sistem.
Bisa dilihat pada Gambar 4.9 setiap gerakan horizontal atau vertikal saling mempengaruhi sinyal satu dengan yang lain dilihat dari amplitudo dan bentuk peak dan valley yang muncul.
Pengaruh amplitudo yang disebabkan gerakan satu sama lain pada sinyal vertikal dan horizontal true detection sangat kecil dibawah threshold yaitu 0,5. Pada sinyal vertikal dan horizontal false detection pengaruh amplitudo akibat gerakan satu sama lain sangat besar dan pola yang muncul juga berbeda dengan pola saccade.
Hasil Pengujian Gerakan Voluntary
Akurasi dihitung menggunakan persamaan 3.4. Total subjek berjumlah 15 dengan setiap gerakan diambil data sebanyak 3 kali. Total data setiap gerakan berjumlah 45. Jumlah gerakan yang terdeteksi benar kemudian dibandingkan dengan total data yaitu 45. Evaluasi dilakukan pada setiap gerakan yang dilakukan oleh seluruh subjek.
Pada Tabel 4.1 menunjukan akurasi dan error dari keseluruhan subjek, akurasi pada tiap gerakan bervariasi. Untuk gerakan kanan memiliki akurasi yaitu 100,00%, gerakan kiri dan bawah memiliki akurasi yaitu 97,80%, gerakan atas memiliki akurasi yaitu 80,00%. Gerakan atas memiliki akurasi paling kecil dibanding gerakan lain dan gerakan kanan memiliki akurasi paling tinggi.
Tabel 4.1 Akurasi gerakan voluntary vertikal dan horizontal Gerakan Voluntary Horizontal dan Vertikal
Kanan Kiri Atas Bawah
Terdeteksi Total
Data Terdeteksi Total
Data Terdeteksi Total
Data Terdeteksi Total Data
45 45 44 45 36 45 44 45
Akurasi 100,00% 97,80% 80,00% 97,80%
Error 0% 2,20% 20,00% 2,20%
Hasil Pengujian Gerakan Involuntary
Akurasi dihitung menggunakan persamaan 3.4. Total subjek berjumlah 3 dengan setiap subjek dilakukan 3 kali pengambilan data, setiap pengambilan data akan melakukan gerakan involuntary dengan gerakan atas, bawah, kanan, dan kiri masing-masing 1 kali. Total data setiap gerakan atas, bawah, kanan, dan kiri masing-masing 9. Evaluasi dilakukan pada setiap gerakan yang dilakukan oleh seluruh subjek.
25 Pada Tabel 4.2 menunjukan gerakan yang dilakukan subjek pada tiap pengambilan data melalui validasi video dan jawaban yang diberikan subjek. Tabel 4.3 menunjukan akurasi dan error dari keseluruhan subjek, akurasi gerakan bawah, kanan, dan kiri memiliki akurasi paling tinggi yaitu 100%, sedangkan akurasi pada gerakan atas memiliki akurasi paling kecil yaitu 66,7%.
Tabel 4.2 Gerakan masing-masing subjek.
Subjek Gerakan
Pengambilan 1 Pengambilan 2 Pengambilan 3
1 Kanan, atas, bawah, dan kiri
Bawah, kanan, kiri, dan atas
Kiri, bawah, kanan, dan atas
2 Atas, bawah, kanan, dan kiri
Kiri, bawah, kanan, dan atas
Bawah, kanan, kiri, dan atas
3 Atas, kiri, bawah, dan kanan
Kiri, atas, kanan, dan bawah
Atas, bawah, kiri, dan kanan
Tabel 4.3 Akurasi gerakan involuntary.
Gerakan Saccade Involuntary
Kanan Kiri Atas Bawah
Terdeteksi
Total
Data Terdeteksi
Total
Data Terdeteksi
Total
Data Terdeteksi
Total Data
9 9 9 9 6 9 9 9
Akurasi 100,00% 100,00% 67,70% 100,00%
Error 0% 0% 33,30% 0%
Pembahasan
Pada dasarnya, sinyal mata memiliki banyak jenis gerakan yang bisa digunakan untuk menggerakkan motor. Banyak penelitian terkait untuk membantu orang yang mengalami kelumpuhan total terutama membantu mereka untuk memiliki mobilitas dalam bergerak, seperti yang dilakukan peneliti [3] dan [6] dengan menggunakan threshold untuk mendeteksi amplitudo pada sinyal mata yang akan digunakan sebagai input.
Penelitian ini membuktikan bahwa sinyal saccade gerakan atas, bawah, kanan dan kiri dapat dideteksi dengan membuat sistem yang menggunakan durasi pada gerakan saccade vertikal dan horizontal sebagai fitur dengan menggunakan threshold. Sehingga penelitian ini dapat membantu penelitian kedepan untuk mengimplementasikan gerakan saccade sebagai input pada gerakan kursi roda. Hasilnya ditemukan akurasi pada gerakan voluntary dan involuntary yang berbeda-beda.
Pada gerakan involuntary sinyal vertikal dan horizontal saling mempengaruhi tapi tidak cukup berpengaruh pada deteksi gerakan mata saccade.
Tidak terdapat perbedaan akurasi yang signifikan antara gerakan voluntary dengan gerakan involuntary. Akurasi pada gerakan atas pada voluntary dan involuntary memiliki hasil yang sama-
26 sama rendah. Dilihat dari aspek fisiologi, hal ini menandakan bahwa kemampuan bola mata setiap subjek berbeda-beda untuk melihat sebuah objek dengan derajat tertentu terutama pada gerakan atas. Perbedaan ini dipengaruhi beberapa faktor yaitu kedudukan dan gerak bola mata yang baik.
Gerak bola mata yang baik merupakan koordinasi otot dan saraf yang seimbang. Kedudukan adalah posisi bola mata secara anatomi [13]. Menurut Bulling dkk [8], perbedaan akurasi pada tiap subjek berbeda bisa terjadi karena pembacaan EOG memiliki banyak faktor yang mempengaruhi hasil rekaman. Faktor itu bisa disebabkan biopotensial yang lain seperti Electroencephalography (EEG) dan Electromiography (EMG), penyebab lain bisa karena penempatan elektroda, sistem akuisisi, gerakan kepala, dll.
Gerakan atas sangat dipengaruhi oleh penempatan elektroda dan kondisi kulit. Penempatan elektroda sangat sulit disamakan ketika pengambilan data karena struktur anatomi tulang kepala disekitar mata berbeda terutama pada bagian sekitar mata atas. Perbedaan membuat jarak penempatan elektroda bagian atas lebih jauh dari bola mata dibandingkan dengan elektroda bagian bawah, kanan, dan kiri. Untuk kondisi kulit menyebabkan elektroda pada beberapa subjek tidak dapat menempel dengan baik, sehingga sinyal yang direkam memiliki hasil yang berbeda. Faktor lain yang menyebabkan akurasi pada gerakan atas rendah, kemungkinan karena kelelahan pada mata karena harus fokus pada suatu objek selama kurang lebih 2 detik.
Akurasi pada penelitian memiliki rata rata akurasi 93.90% dengan error 6,10% pada gerakan voluntary dan 91,90% dengan error 8,10% pada gerakan involuntary. Hasil ini penelitian ini senada dengan penelitian Merino dkk [5] yaitu diatas 90,00%, dengan menggunakan EOG pada gerakan saccade (atas, bawah, kanan, dan kiri), menandakan gerakan saccade dapat digunakan untuk navigasi arah kursi roda.
27
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil penelitian dan analisis dapat ditarik kesimpulan untuk dapat mengklasifikasikan gerakan seccade (atas, bawah, kanan, dan kiri) dibuat sistem yang menggunakan durasi antar peak dan valley sebagai fitur. Akurasi sistem klasifikasi pada gerakan voluntary memiliki akurasi gerakan atas 80,00%, bawah 97,80%, kiri 97,80%, dan kanan 100,00%.
Akurasi pada gerakan involuntary memiliki akurasi gerakan atas 67,70%, bawah 100,00%, kiri 100,00%, dan kanan 100,00%. Gerakan atas pada voluntary dan involuntary sama-sama memiliki akurasi paling rendah dibandingkan dengan gerakan lain. Gerakan atas memiliki akurasi paling rendah dikarenakan kemampuan manusia untuk melihat keatas berbeda-beda dan penempatan elektroda yang tidak dapat sama pada setiap subjek dikarenakan struktur anatomi tulang kepala disekitar mata berbeda-beda. Akurasi bervariasi bisa disebabkan karena banyak hal seperti biopotensial lain, human error, dan fisiologi mata pada setiap subjek berbeda.
Saran
1. Pada penelitian yang serupa subjek untuk pengambilan data voluntary diperbanyak.
2. Gerakan mata yang digunakan dapat ditambahkan seperti kedipan.
3. Untuk metode klasifikasi gerakan mata dapat digunakan algoritme kecerdasan buatan.
4. Sistem ini dapat diimplementasikan pada kursi roda atau sistem kontrol lain.
28
DAFTAR PUSTAKA
[1] J. Fridén dan A. Gohritz, “Tetraplegia management update,” Journal of Hand Surgery, vol.
40, no. 12, pp. 2489–2500, 2015.
[2] R. Ramli, H. Arof, F. Ibrahim, N. Mokhtar, dan M. Y. I. Idris, “Using Finite State Machine and a Hybrid of EEG Signal and EOG Artifacts for an Asynchronous Wheelchair Navigation,” Expert Systems with Applications, vol. 42, no. 5, pp. 2451–2463, 2015.
[3] A. M. Choudhari, P. Porwal, V. Jonnalagedda, dan F. Mériaudeau, “An Electrooculography based Human Machine Interface for wheelchair control,” Biocybernetics and Biomedical Engineering, pp. 1–13, 2019.
[4] Y. Li, S. He, Q. Huang, Z. Gu, dan Z. L. Yu, “A EOG-Based Switch and its Application for
‘Start/Stop’ Control of a Wheelchair,” Neurocomputing, vol. 275, pp. 1350–1357, 2018.
[5] M. Merino, O. Rivera, I. Gómez, A. Molina, dan E. Dorronzoro, “A method of EOG signal processing to detect the direction of eye movements,” Proceedings - 1st International Conference on Sensor Device Technologies and Applications, SENSORDEVICES 2010, no.
January 2014, pp. 100–105, 2010.
[6] A. Naga Rajesh, S. Chandralingnam, T. Anjaneyulu, dan K. Satyanarayana, “EOG Controlled Motorized Wheelchair for Disabled,” World Academy of Science, Engineering and TechnologyInternational Journal of Medical, Health, Biomedical and Pharmaceutical Engineering, vol. 8, no. 5, pp. 292–295, 2014.
[7] Guyton dan Hall, Buku Ajar Fisiologi Kedokteran. 2014.
[8] A. Bulling, J. A. Ward, H. Gellersen, dan G. Tröster, “Eye movement analysis for activity recognition using electrooculography,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 33, no. 4, pp. 741–753, 2011.
[9] R. Barea, L. Boquete, M. Mazo, dan E. López, “Wheelchair Guidance Strategies Using EOG,” Journal of Intelligent and Robotic Systems, vol. 34, pp. 279–299, 2002.
[10] https://www.medicine.mcgill.ca/physio/vlab/Other_exps/EOG/saccades_n.htm.
[11] https://www.sparkfun.com/products.
[12] https://store.arduino.cc/usa/arduino-uno-rev3.
[13] J. Forrester, A. Dick, P. McMenamin, F. Roberts, dan E. Pearlman, “The Eye Basic Sciences in Practice,” Elsevier, Edinburgh, vol. 4, pp. 90–289, 2016.
